基于Ｐａｒｅｔｏ支配的改进人工大猩猩部队多目标优化

针对二维和三维多目标优化的解易陷入次优和分布不规则问题,本文引入Pareto支配方法并提出了结合改进策略的人工大猩猩部队优化算法（MOGTO）以改善多目标优化问题。首先,利用外部档案集存储互不支配解集以防止种群经过一次寻优迭代后删除劣解的同时错误去除非支配解。其次,加入蒙特卡洛树搜索对种群探索阶段的三种机制优化,增加算法全局搜索能力。同时,结合天牛须算法的左右须寻优原理及黄金正弦寻优策略对开发阶段的两种机制优化,生成左右须解和促进个体位置更新,引导个体扩大搜索范围以防止最优解陷入局部最优。最后,通过12个基准测试函数验证并与其它6种常见算法相对比,实验结果表明本文算法在多目标问题、寻优能力较对比算法有较大的提升。通过曲柄摇杆机构优化设计案例测试分析,验证了本文算法在实际工程应用中的可行性和实用性。